基于三维荧光光谱技术结合交替加权残差约束四线性分解的不同盐度条件下混合油液检测

石油作为一种重要的化石能源,是人类社会生产活动中不可缺少的一部分。石油在被人们开采、使用的过程中不可避免地会发生泄漏,泄漏的石油会给生态环境带来严重的威胁。因此,在石油泄漏后需要及时对其进行处理,而其前提是能够准确识别石油种类。由于石油中多种物质具有荧光特性,因此应用荧光光谱法可对石油进行有效检测。但石油所含组分较多,使得其光谱信息重叠严重,识别困难。而三阶校正方法具有"三阶优势",可以分辨高共线性、高噪声水平下的数据。其中,三阶校正中的交替加权残差约束四线性分解(AWRCQLD)算法具有收敛速度快、对组分数不敏感等优点;因此,利用三维荧光光谱技术结合AWRCQLD算法,对混合油液进行检测。首先,配制3种盐度条件下的十二烷基硫酸钠(SDS)溶剂;并在每种盐度条件下分别将航空煤油和润滑油按照不同浓度比混合,最终得到24个校正样本和9个预测样本。然后,使用FLS920荧光光谱仪对实验样本进行光谱数据采集。其次,使用扣除空白法去除光谱中的散射,并通过核一致诊断法判断混合油中的组分数。最后,用AWRCQLD算法对四维光谱矩阵进行解析。研究结果表明,在0～20盐度范围内,随着盐度的增加,航空煤油的荧光强度先减小后增大,润滑油的荧光强度先增大后减小;混合油解析光谱曲线分别与航空煤油及润滑油的实际光谱曲线重合度良好;经AWRCQLD算法解析后得到的航空煤油的回收率范围为100.2%～109%,均方根误差为0.002 1 mg·mL~(-1);润滑油的回收率范围为91.8%～109.3%,均方根误差为0.004 8 mg·mL~(-1)。通过引入盐度作为新一维度的数据,从而将三维光谱数据阵扩展到相应的四维光谱数据阵。并利用AWRCQLD算法对四维光谱数据阵进行了解析,实现了在不同盐度条件下对混合油的定性和定量分析。同时,为不同盐度条件下的混合油液检测提供了参考。     

三维荧光光谱结合交替加权残差约束四线性分解算法对石油类混合油液的检测

石油作为重要的能源和工业原料,在造福人类社会的同时,其引起的环境污染问题日益严重。因此针对混合油液的快速、准确检测成为鉴别溢油来源和保护生态环境的重要内容。石油类物质一般由具有较强荧光特性的芳香烃成分及其衍生物组成,荧光光谱分析技术以其灵敏度高、分析速度快和受风化影响程度小等优点成为了混合油液检测的重要手段之一,并与二阶校正和三阶校正的各类算法相结合取得了较好的成分鉴别和浓度预测效果。但二阶校正算法普遍存在对噪声的容忍能力弱和对组分数敏感、收敛速度慢等不足,限制了在实际混合油液检测中的应用。针对上述存在的问题,将三维荧光光谱技术和交替加权残差约束四线性分解(AWRCQLD)算法相结合,提出一种用于混合油液检测的新方法。首先以乙醇作为溶剂,将航空煤油和润滑油按不同浓度比配制7个校正样本、4个预测样本和3个空白样本;然后利用FLS920荧光光谱仪采集拟进行成分检测的混合油液在不同实验温度条件下共42个样本的荧光光谱数据,并通过空白扣除的方法消除散射的干扰;再利用核一致诊断法和残差分析法估计出最佳的组分数;最后分别利用AWRCQLD算法、4阶平行因子(4-PARAFAC)算法和二阶校正算法解析样本的荧光光谱数据,做出混合油液样本的定性鉴别和定量预测。研究结果表明,经AWRCQLD算法解析后得到的航空煤油预测样本的回收率为96.7%~102.7%、预测均方根误差为0.015 mg·mL-1;润滑油预测样本的回收率为96.9%~101.7%、预测均方根误差为0.009 mg·mL-1;在不同实验温度条件构建的四维响应数阵能够更为准确地测定出航空煤油和润滑油的组分浓度,其回收率更高和预测均方根误差更小,满足准确定量分析的要求;AWRCQLD算法在航空煤油和润滑油样本的荧光光谱严重重叠的情况下,较之二阶校正算法和4-PARAFAC算法,AWRCQLD算法更能够体现出三阶校正算法所具有的优势,综合预测能力更强,达到了对混合油液进行快速检测的目的。该研究提供了一种不依赖于“物理和化学分离”的快速、准确的对混合油液进行检测的“数学分离”方法,为石油类混合油液检测提供了必要的技术支持。     

数字图像识别在混合油类三维荧光光谱分析中的应用

海上溢油已成为全球环境污染的重要问题之一,溢油严重破坏了海洋生态的平衡,并导致人类健康受到危害。因此,研究高效的溢油检测方法对保护海洋生态环境具有重要意义。三维荧光光谱技术因能获得溢油的“指纹”图谱而成为溢油鉴别领域的有效分析手段,其与平行因子分析算法相结合获得了良好的溢油鉴别效果。但平行因子算法在使用过程中需要确定不同石油产品本身所适用的浓度范围,且其对预估计组分数敏感,组分数选择是否准确直接影响最终定性定量结果,这些问题都会对油类检测造成使用上的限制。油类组分极为复杂,其中各组分间不存在统一的线性浓度范围,其相互之间还受到荧光猝灭效应的影响。直接对未经稀释的油类样本进行光谱数据采集,所获得的三维荧光光谱会因样本中组分的种类及其含量不同而存在较大差异,导致对三维荧光光谱数据进行解析的平行因子分析算法不再适用。但组分的种类及含量相近的油样其光谱特征相似度较高,并且随着特定组分及其含量的改变,其光谱形状的变化规律也较为明显。基于此,将三维荧光光谱和数字图像识别相结合,提出一种针对混合油类样本的辨识方法。首先,利用五种矿物油（汽油、柴油、航空煤油、机油和润滑油）配制三类混合油样本,其中每类混合油是用其中两种不同矿物油以不同体积比直接混合配制而成;然后利用FS920荧光光谱仪获取样本的三维荧光光谱数据,并对该数据进行求导及灰度化预处理,进而得到三维荧光导数光谱灰度图;其次提取样本三维荧光导数光谱灰度图的颜色、纹理和形状等数字图像特征;最后,通过Fisher判别分析建立样本的分类模型,采用逐步回归建立混合油样本各组分相对体积的定量模型。分类模型对三类混合油样本的分类及识别效果良好。所建立的定量模型的线性相关性R大于0.99,显著性检验p值小于0.05。研究结果表明,三维荧光光谱的数字图像特征可以被本文所述方法有效提取并用于对油类样本的定性定量分析。该研究为海面溢油检测提供了一种简单、可靠的识别方法。     

三维荧光光谱结合组合算法在环境污染监测中的应用:油种鉴别与定量分析

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析（MDR-PCA）方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析（PCA）法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析（PCA）迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析（PARAFAC）、交替三线性分解（ATLD）和自加权交替三线性分解算法（SWATLD）等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面,SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法（algorithm combination methodology, ACM）—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明,ACM算法能够实现油类污染物的种类识别及浓度测量。     

微分谱结合独立成分分析对三维荧光重叠光谱的解析

多组分三维荧光重叠光谱是三维荧光光谱的数据解析中的难点之一。本文基于二维微分谱的计算原理, 充分利用三维荧光光谱具有激发光谱和发射光谱的特点, 获得了三维荧光光谱展开后的激发微分谱和发射微分谱. 之后利用独立成分分析对激发光谱或发射光谱的多组分混合微分谱分别进行解析, 得到了单一组分的激发微分谱和发射微分谱。其中三次样条插值有效的弥补了实测激发波长数据点少的缺点, 而粗糙惩罚平滑技术的引入则很大程度上减少了发射光谱的噪声,为微分谱的计算提供了有利的条件。单一组分的标准谱与解析谱的相似性系数的计算表明, 利用独立成分分析对微分谱进行解析更有利于多组分混合三维荧光光谱所含成分的识别。     

三维荧光光谱结合组合算法在环境污染监测中的应用：油种鉴别与定量分析（英文）

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析(MDR-PCA)方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析(PCA)法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析(PCA)迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析(PARAFAC)、交替三线性分解(ATLD)和自加权交替三线性分解算法(SWATLD)等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面, SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法(algorithm combination methodology, ACM)—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明, ACM算法能够实现油类污染物的种类识别及浓度测量。     

海面溢油三维荧光光谱消除瑞利散射方法的研究

三维荧光光谱分析法以其灵敏度高、选择性好、操作简单和可用于多组分混合物分析等优点成为诸多研究者在海面溢油鉴别中的热点选择。但三维荧光光谱中存在的瑞利散射会对光谱的准确检测产生较大的影响,因此有效地消除瑞利散射对后续光谱的定性鉴别和定量分析具有重要意义。采用仪器校正法、空白扣除法、 Delaunay三角形内插值法和缺损数据重构(MDR)法对海面溢油三维荧光光谱中的瑞利散射进行校正。首先以海水的SDS胶束溶液作为溶剂,将航空煤油和润滑油按不同相对体积分数比配制8个校正样本和3个测试样本;然后利用FS920稳态荧光光谱仪采集11个样本的三维荧光光谱数据,并分别采用仪器校正法、空白扣除法、 Delaunay三角形内插值法和缺损数据重构(MDR)法消除瑞利散射的干扰;再利用核一致诊断法估计出最佳的组分数;最后利用平行因子分析(PARAFAC)对混合油样本的三维荧光光谱数据进行定性鉴别和定量分析。研究结果表明:采用发射波长滞后激发波长以消除瑞利散射的仪器校正法会丢失部分有效光谱信息;采用空白扣除法无法彻底消除瑞利散射,在光谱中仍然存在散射干扰,利用PARAFAC解析后得到的激发、发射光谱会出现失真,且预测的浓度值偏差较大;采用Delaunay三角形内插值法消除瑞利散射后,利用PARAFAC解析所得到的激发、发射光谱与真实光谱吻合度较高,且预测的浓度值偏差较小;而采用MDR消除瑞利散射后,利用PARAFAC解析所获得的激发、发射光谱与真实光谱吻合度最高,且相较于其他几种方法预测的浓度值偏差最小,得到的样本回收率为98.9%和100%,预测均方根误差均小于等于0.130。根据定性鉴别、定量分析的结果, MDR能够在保证原有特征光谱不失真的基础上有效消除瑞利散射带来的影响,是一种消除三维荧光光谱数据中瑞利散射较为理想的方法。     

荧光光谱结合校正算法测定混合色素溶液中各组分的浓度

应用英国Edinburgh公司生产的FLS920P荧光光谱仪实验测定了诱惑红、日落黄和亮蓝三种合成食品色素混合溶液的三维荧光光谱,将荧光光谱数据应用化学计量学中的平行因子分析(PARAFAC)和交替三线性分解(ATLD)二阶校正算法进行计算处理,对混合合成食品色素溶液中各组分进行了定性和定量检测。应用核一致诊断法,确定主成分数为3。PARAFAC算法解析后的回收率分别为98.75%±8.9%,97.22%±2.9%和99.00%±2.9%,ATLD算法解析后的回收率分别为99.78%±5.9%,92.52%±5.5%和97.23%±5.8%。结果表明,两种方法都可以用于三个组分的直接快速测定,PARAFAC算法更稳定,更具优势。     

荧光光谱结合校正算法测定混合色素溶液中各组分的浓度（英文）

应用英国Edinburgh公司生产的FLS920P荧光光谱仪实验测定了诱惑红、日落黄和亮蓝三种合成食品色素混合溶液的三维荧光光谱,将荧光光谱数据应用化学计量学中的平行因子分析(PARAFAC)和交替三线性分解(ATLD)二阶校正算法进行计算处理,对混合合成食品色素溶液中各组分进行了定性和定量检测。应用核一致诊断法,确定主成分数为3。PARAFAC算法解析后的回收率分别为98.75%±8.9%,97.22%±2.9%和99.00%±2.9%,ATLD算法解析后的回收率分别为99.78%±5.9%,92.52%±5.5%和97.23%±5.8%。结果表明,两种方法都可以用于三个组分的直接快速测定,PARAFAC算法更稳定,更具优势。     

基于温度变量的四维荧光光谱的石油类污染物测定

三维荧光光谱结合多元校正分析对石油类污染物复杂多组分体系测定方法多谱图混叠,且易受到空白荧光和干扰物荧光影响降低了测定准确性。提出在三维荧光光谱中增加一维温度信息构造激发波长-发射波长-温度-样品（EEM-temperature data array）的四维荧光光谱数据阵列,应用四线性成分模型建立高维荧光光谱定性定量分析的方法。实验证明在15～25 ℃温度范围内,矿物油荧光光谱轮廓形状不随温度变化,而其强度随温度线性变化,满足四线性要求,这为构建四维荧光光谱发展高维数据的三阶校正提取更丰富的有效信息提供了可能。三阶校正不仅可以在干扰物共存的情况下对感兴趣组份进行定量测定,即具有“二阶优势”,还具有更高的选择性和灵敏性,可以对高共线性和背景干扰的重叠光谱表现更好的解析能力,即“三阶优势”。对0#柴油、97#汽油和机油为混合油待测组分,腐殖酸为水体干扰组分组成的复杂体系污染油样品为进行实验,得到的三维荧光光谱利用平行因子（PARAFAC）算法和交替惩罚三线性分解（APTLD）算法进行二阶校正分析,将三维荧光光谱在温度方向上堆叠构成增加温度维度的四维荧光光谱数阵,并将其利用四维平行因子算法（4-PARAFAC）和交替惩罚四线性分解（APQLD）算法进行三阶校正分析,比较,0#柴油、97#汽油和机油的预测结果表明增加了影响荧光光谱的温度因素构造的四维荧光光谱提高了有效信息提取能力,四维荧光光谱结合高阶校正算法能提高油种光谱识别和浓度精确检测,较传统的三维荧光光谱分析提高了回收率（recovery rate）和预测均方根误差（root mean square error of prediction,RMSEP）,有利于石油类污染物的有效,准确,实时,绿色环保检测。同时指出了4-PARAFAC和APQLD算法各自的特点及其不同适用环境,为油类污染物检测具体情况提供算法选择依据。引入温度参量的四维荧光光谱结合三阶校正算法的检测技术较三维荧光光谱技术,在组分光谱定性分辨和浓度定量检测方面能对复杂体系油类污染物实现快速有效,绿色无污染地检测,实现“数学分离”更有效代替“化学分离”。     

近红外光谱技术鉴别海面溢油

为快速了解和掌握海面溢油的种类,以便采取应急措施,提出了近红外光谱技术结合模式识别鉴别海面溢油的方法。自行配制了56个汽油、柴油、润滑油的模拟海水样品,用有机溶剂萃取出海水中的溢油后记录其近红外光谱,将原始光谱进行多元散射校正(MSC)和Norris一阶导数平滑预处理后,在主成分分析(PCA)提取不同种类溢油样品特征的基础上引入马氏距离建立溢油样品的识别模型。研究了光谱预处理对溢油鉴别的影响;探讨了马氏距离阈值的确定。结果表明,主成分分析可将原始数据压缩而马氏距离判别可给出离群点的阈值,本文建立的校正模型能正确判别浓度在0.4 μL·mL-1以上的溢油类别,为近红外光谱结合化学计量学方法建立校正模型进行海面实际溢油样品的分类提供了思路。     

矿物油-乙醇溶液三维荧光光谱的实验研究

研究了矿物油-乙醇溶液的三维荧光光谱特性。通过空白扣除法消除了乙醇的拉曼散射对矿物油三维荧光光谱的影响,而采用将瑞利散射及其附近区域置零的方法去除了瑞利散射对矿物油三维荧光光谱的影响。经校准,矿物油的三维荧光光谱特征荧光峰表现为：煤油主要为一个宽峰,最大激发/发射荧光峰的位置在270/290 nm附近;0#柴油有两个峰,最大激发/发射峰分别位于240/344 nm和270/362 nm附近;润滑油存在多个荧光峰,其中两个比较强的最大激发/发射峰分别位于240/348 nm和258/358 nm附近。此外,还研究了矿物油的荧光光谱强度与浓度的关系,并对测量的灵敏度和检测限进行了分析。研究表明,利用三维荧光光谱特征测量可以实现低浓度矿物油的测定。     

基于近红外光谱法的多组分复杂溢油源定量建模分析

研究利用近红外光谱分析方法进行模拟复杂混合溢油源的定量分析问题。选取汽油、柴油、煤油三种轻质石油类产品,按照不同浓度比例配置成40个模拟混合溢油样本,利用傅里叶变换近红外光谱仪采集其在4 000～12 000 cm-1谱区范围内的近红外光谱;采用不同预处理方法,利用偏最小二乘算法建立混合溢油样本三组分各自的浓度定量模型。汽油、柴油和煤油的最优预处理方法均为二阶导数方法,分别在8 501.3～7 999.8 cm-1,6 102.1～4 597.8 cm-1,6 549.5～4 597.8 cm-1,7 999.8～7 498.4 cm-1和6 102.1～4 597.8 cm-1谱区范围内,预测模型的决定系数R2分别为0.998 2,0.990 2和0.993 6;RMSEP值分别为0.474 7,0.936 1和1.013 1;RPD值分别为25.126 9,10.517 3和13.072 0。实验结果表明：利用近红外光谱分析技术结合化学计量学方法能够定量确定模拟混合溢油样本中各组分的浓度,为海洋复杂溢油源的定量检测与分析提供有效手段。     

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析（2D-LDA）对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻（KNN）分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类（柴油、汽油、航空煤油、润滑油）样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。     

三维荧光光谱结合稀疏主成分分析和支持向量机的油类识别方法研究

石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析（SPCA）对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机（SVM）算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠（SDS）配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析（PCA）进行特征提取,再利用SVM和K最近邻（KNN）两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN,SPCA-KNN,PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%,90%,90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。     

基于三维荧光光谱-平行因子分析的海上溢油识别技术研究

在世界范围内溢油事件频繁发生,溢油的组成成分会影响人类身体健康和生态系统。因此,迫切地需要一种可以快速识别溢油种类的方法。针对溢油污染物现场快速鉴别的需求,利用平行因子分析技术建立了基于三维荧光光谱的原油、燃料油识别方法。首先,利用Delannay三角形内插值法对实验选的6种原油(Roncador原油、巴士拉原油、俄罗斯原油、沙特原油(重质)、上扎库姆原油、海二站原油)和三种燃料油(380CST燃料油、5-7号燃料油、岚山燃料油)的三维荧光光谱去散射,去散射后的三维光谱数据进行归一化处理;之后,对三维荧光光谱进行平行因子解析,确定七个荧光组分为最佳荧光组分,进而得到由7个荧光成分组成的样品荧光特征谱,将风化第3,15和45天的样品及未风化样品的第一平行样的荧光特征谱进行贝叶斯方法(Bayes)判别分析和聚类分析,确定油品荧光特征谱的分析能力和18条荧光标准谱库(12条原油标准谱和6条燃料油标准谱);最后,利用非负最小二乘多元线性回归建立溢油荧光识别方法,对第0,7和30天风化的样品和未风化样品的另一平行样进行识别。实验结果表明,除对风化及未风化的俄罗斯原油识别外,该方法对其余风化和未风化的五种原油和三种燃料油识别正确率均为100.0%,整体识别原油正确率为87.5%,燃料油正确率为100.0%。     

飞马Ⅱ号润滑油中燃油污染红外光谱检测研究

针对航空发动机润滑油燃油污染造成非计划停机、飞行故障等一系列问题,需要对在用润滑油进行必要的监测,从而确定润滑油换油的最佳时机。采用美国PerkinElmer公司的Spectrum Two红外光谱仪及Spectrum Quant软件,结合美国材料与试验协会标准（ASTM-E2412-10）关于合成酯类润滑油的监测说明,对民航广泛使用的Mobil jet oilⅡ型润滑油进行燃油污染程度定量分析。运用两点基线面积法建立了燃油污染浓度与815～805 cm-1特征谱区面积的标准工作曲线,工作曲线的相关性达0.999 6,标准预测误差为0.544 1。利用该工作曲线预测已知润滑油燃油含量样品偏差在1.3%以内,5组重复试验标准偏差均低于0.1%,表明该方法具有较高的预测精度和良好的重复性。同时,采用该工作曲线和美国斯派超(Spectro Scientific)公司燃油嗅探仪分别对相同润滑油样品进行检测,检测结果相当,表明建立的定量工作曲线可满足民航对润滑油燃油污染的监测需求。